• 信息采集


         如果自己想运营一个小网站,但是里面的信息时自己一个人无法及时更新,我们可以通过采集机器人实时自动的更新。例如现在的小说阅读,基本上所有的小说都是通过起点连载,但是为什么还是有那么多的盗版,而且更新时差只有几个小时而已,这里就是采集了。.net采集使用webrequeset请求,分析html,而其中的难点就是权限的验证(起点需要收费)、html分析。

      html分析就是从get的page里面找出规律。有两种办法:

    1. 就是好好的分析html字符串,使用spit,indexof,lastindexof,substring等操作。

    2. 由于还没有直接解析html的工具,现在有项目可以将html转化成xml在用xpath,这样更快。 我习惯用地一种:)。

    一。登陆验证 

    web 请求:以为我的目的站需要验证码问题提示,所以登陆器就没做(分析验证码的图片还不知道如何实现)。在这里我就登陆后从ie里面得到cookie字符串,用跟踪器获取。但是我在这个站中发现如果使用相同的cookie,此cookie一段时间之后将会过期,这个很用可能就是为了防止资源盗用。难道这样就没有办法了吗?分析发现,原来cookie在不断地变化,使用 LiCookie = new List<MyCookie>()即时更新cookie。

     下面:通过httphead 的Set-Cookie 更新cookies容器

    代码
     string setck = rep.Headers["Set-Cookie"];

            
    if (setck!=null&&setck.Trim() != "")
            {
                
    string[] cks = setck.Split(new string[] { ";""/," }, StringSplitOptions.RemoveEmptyEntries);
                
    foreach (string ck in cks)
                {
                    
    int aa = ck.IndexOf("=");
                    
    string name = ck.Substring(0, aa).Trim();
                    
    string cValue = ck.Substring(aa + 1).Trim();
                    
    if (name.ToLower() != "expires" && name.ToLower() != "path")
                    {
                        MyCookie[] my 
    = LiCookie.ToArray();
                        
    for (int i = 0; i < my.Length; i++)
                        {
                            
    if (my[i].name == name)
                            {
                                LiCookie.Remove(my[i]);
                            }
                        }
                        LiCookie.Add(
    new MyCookie(name, cValue));
                    }

                }
             

            }

    下面是get page的类:

    using System;
    using System.Data;
    using System.Configuration;
    using System.Web;
    using System.Web.Security;
    using System.Web.UI;
    using System.Web.UI.WebControls;
    using System.Web.UI.WebControls.WebParts;
    using System.Web.UI.HtmlControls;
    using System.Net;
    using System.IO;
    using System.Collections.Generic;
    using System.IO.Compression;
    using System.Data;
    using System.Data.OleDb;

    /// <summary>
    /// Rebot
    /// </summary>
    public class MyCookie
    {
        
    public MyCookie(string name, string cValue)
        {
            
    this.name = name;
            
    this.cValue = cValue;
        }
        
    public string name
        {
            
    get { return _name; }
            
    set { this._name=value; }
        }
        
    private string _name;
        
    private string _cValue;

        
    public string cValue
        {
            
    get { return _cValue; }
            
    set { _cValue = value; }
        }
    }
    public class Rebot
    {
        
    public Rebot()
        {
            LiCookie = new List<MyCookie>();
            
    string[] cks = cookiestr.Split(new char[] { ';' });
            
    foreach (string ck in cks)
            {
                
    int aa = ck.IndexOf("=");
                
    string name = ck.Substring(0, aa);
                
    string cValue = ck.Substring(aa + 1);
             LiCookie.Add(new MyCookie(name,cValue));
            }
        }
        
    private  List<MyCookie> LiCookie;
        
    private string _cookiestr ;
        
    public string cookiestr
        {
            
    get {
                Ncuhome.Helper.AccessDbHelper a = new Ncuhome.Helper.AccessDbHelper();
                OleDbDataReader r = a.olExcuteReader("select top 1 * from  config ");
                
    while (r.Read())
                {
                  _cookiestr= r.GetString(1);
                }
                r.Close();
                
    return _cookiestr;
            }
        }
            
            
    //这个是cookies,我放在了数据库:) " M2g_smile=1D1; cnzz_eid=17120817-1256550191-; ltime=1256699837662; rtime=1; M2g_visitedfid=17D2D14D18D10; M2g_auth=yyI%2BXwaJmnE%2BCbbBer9qkU9bCxLSBE6O5BJYBS%2Be%2FBGkPKCABewuNEsZkfM4NlfRDUvdv5nPcQ; M2g_cookietime=2592000; M2g_sid=p5J856; 
        private CookieContainer GetCookie(string strurl)
        {
            Uri url = new Uri(strurl);
            CookieContainer cc = new CookieContainer();
            
    foreach (MyCookie m in LiCookie)
            {
                cc.Add(new Cookie(m.name.Trim(), m.cValue.Trim(), "/", url.Host));
              
    //  HttpContext.Current.Response.Write(m.name + "=" + m.cValue + "<br>");
            }
           
    // HttpContext.Current.Response.Write("================<br>");
            return cc;
        }

        
    /// <summary>
        
    ///获取page html数据
        
    /// </summary>
        
    /// <param name="strurl"></param>
        
    /// <param name="Setstr"></param>
        
    /// <returns></returns>
        public string GetWebString(string strurl)
        {
          
            Uri url = new Uri(strurl);  
           
    // HttpContext.Current.Response.Write(url.ToString());
            HttpWebRequest web = (HttpWebRequest)WebRequest.Create(url);
            web.Method = "get";
            web.KeepAlive = true;
            web.Timeout = 10000;
            web.AllowAutoRedirect = true;
            web.Headers.Add("Accept-Encoding: deflate");
            web.Headers.Add("UA-CPU: x86");
            web.Headers.Add("Accept-Language: zh-cn");
            web.UserAgent = "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; SLCC1; .NET CLR 2.0.50727; .NET CLR 3.5.21022; InfoPath.2; .NET CLR 3.5.30729; .NET CLR 3.0.30618; .NET CLR 4.0.20506; .NET CLR 1.1.4322)";
            web.Accept = "image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, application/x-shockwave-flash, application/x-ms-application, application/vnd.ms-xpsdocument, application/xaml+xml, application/x-ms-xbap, application/vnd.ms-excel, application/vnd.ms-powerpoint, application/msword, */*";
            
    //web.Referer = url.ToString();
        
         web.CookieContainer = GetCookie(strurl);

            HttpWebResponse rep = (HttpWebResponse)web.GetResponse();
             
    //     从响应头中获取验证的cookie信息
            string setck = rep.Headers["Set-Cookie"];

            
    if (setck!=null&&setck.Trim() != "")
            {
                
    string[] cks = setck.Split(new string[] { ";""/," }, StringSplitOptions.RemoveEmptyEntries);
                
    foreach (string ck in cks)
                {
                    
    int aa = ck.IndexOf("=");
                    
    string name = ck.Substring(0, aa).Trim();
                    
    string cValue = ck.Substring(aa + 1).Trim();
                    
    if (name.ToLower() != "expires" && name.ToLower() != "path")
                    {
                        MyCookie[] my = LiCookie.ToArray();
                        
    for (int i = 0; i < my.Length; i++)
                        {
                            
    if (my[i].name == name)
                            {
                                LiCookie.Remove(my[i]);
                            }
                        }
                        LiCookie.Add(new MyCookie(name, cValue));
                    }

                }
               
    // HttpContext.Current.Response.Write("<br>" + setck+"<br>=========================<br>");
              
             
    //  return GetWebString2(strurl, setck);
            }
        
                Stream str = rep.GetResponseStream();
                StreamReader r = new StreamReader(str, System.Text.Encoding.GetEncoding("gb2312"));
                
    #region gzip 解压
                
    //int offset = 0;
                
    //int totalCount = 0;
                
    //List<byte> lb = new List<byte>();
                
    //while (true)
                
    //{
                
    //    byte[] buffer = new byte[1000];
                
    //    int bytesRead = str.Read(buffer, 0, 1000);
                
    //    if (bytesRead == 0)
                
    //    {
                
    //        break;
                
    //    }
                
    //    foreach (byte b in buffer)
                
    //    {
                
    //        lb.Add(b);
                
    //    }
                
    //    offset += bytesRead;
                
    //    totalCount += bytesRead;
                
    //}

                
    //string page = DecompressFile(lb.ToArray());
                #endregion
                
    string page = r.ReadToEnd();
                r.Close();
                r.Dispose();
                str.Close();
                
    return page;
      

        }
        

    下面是html 解析,具体页面具体分析。一般的话都是分页式的,先得到列表的url,再去get content;

    using System;
    using System.Data;
    using System.Configuration;
    using System.Web;
    using System.Web.Security;
    using System.Web.UI;
    using System.Web.UI.HtmlControls;
    using System.Web.UI.WebControls;
    using System.Web.UI.WebControls.WebParts;
    using System.Collections.Generic;
    public class post
    {
        
    public post(string title, string ctarget)
        {
            
    this.tilte = title;
            
    this.ctarget = ctarget;
        }

        
    private string  _title;

        
    public string  tilte
        {
            
    get { return _title; }
            
    set { _title = value; }
        }
        
    private string  _ctarget;

        
    public string  ctarget
        {
            
    get { return _ctarget; }
            
    set { _ctarget = value; }
        }

    }
    /// <summary> 
    /// </summary>
    public class HtmlAnalysis
    {
        
    public HtmlAnalysis()
        {
            
    //
            
    // TODO: Add constructor logic here
            
    //
        }
        
    public static string GetContentFromHtml(string HtmlStr)
        { string pageContent = "";


           HtmlStr=HtmlStr.Replace("  ","");
           HtmlStr = HtmlStr.ToLower();
           
    string[] str1=HtmlStr.Split(new string[]{"<div id=\"ad_thread4_0\"></div>"},StringSplitOptions.RemoveEmptyEntries);
           
    foreach (string s in str1)
           {
              
                   
    if (s.Contains("<div id=\"postmessage"))
                   {
                       
    int st = s.IndexOf("</div>");
                       
    if (st != -1)
                           pageContent = s.Substring(0, st)+"</div>";
                   }
               
           }
           
            
    return ""+pageContent;
        }
        
    public static List<post> GetListFromHtml(string HtmlStr)
        {
            List<post> p = new List<post>();
            
    string htmlList = "";
            HtmlStr = HtmlStr.Replace("  """);
            HtmlStr = HtmlStr.ToLower();
            
    string[] str = HtmlStr.Split(new string[] { "<tbody id=\"normalthread"},StringSplitOptions.RemoveEmptyEntries);
            foreach (string s in str)
            {
                
    if (s.Contains("<td class=\"folder\">"))
                {
                    
    string st = "";
                    
    string[] s2 = s.Split(new string[] { "<span id=\"thread" }, StringSplitOptions.RemoveEmptyEntries);
                    if (s2.Length == 2)
                        st = s2[1];
                    
    else
                        
    continue;
                    
    string title = "";
                    
    string starget = "";
                    
    string time = "";
                    
    int i = st.IndexOf("<a href=\"");
                    int j = 0,m=0;
                    
    if (i != -1)
                    {
                        m = st.IndexOf("\"", i + 15);
                        j = st.IndexOf("\">", i + 5);
                    }
                    
    int k = st.IndexOf("</a>");
                    
    if (i != -1 && m != -1 && m > i)
                        starget = st.Substring(i + 9, m - i-9);
                    
    if (j != -1 && k != -1 && k > j)
                        title = st.Substring(j+2, k - j-2);

                   p.Add(new post(title,starget));
                }
            }
            
    return p;
        }
        

    } 

    } 

    下面是:采集功能了,可以写成定时器,定时执行更新内容:先循环分页,在循环列表,再得到内容。

    using System;

    using System.Data;
    using System.Configuration;
    using System.Collections;
    using System.Web;
    using System.Web.Security;
    using System.Web.UI;
    using System.Web.UI.WebControls;
    using System.Web.UI.WebControls.WebParts;
    using System.Web.UI.HtmlControls;
    using System.Net;
    using System.IO;
    using System.Collections.Generic;
    using System.Data;
    using System.Data.OleDb;

    public partial class admin_reflash : AdminPageBase
    {
        
    protected void Page_Load(object sender, EventArgs e)
        {

        }
        
    protected void Button2_Click(object sender, EventArgs e)
        {
            
    string s = "";
            Rebot r = new Rebot();
            
    for (int i = 0; i < GridView1.Rows.Count; i++)
            {

                
    if (((CheckBox)GridView1.Rows[i].FindControl("CheckBox5")).Checked)
                {
                    
    int CateId = Convert.ToInt32(GridView1.Rows[i].Cells[1].Text);
                    Response.Write(CateId);
                    
    string webhost = Gethost();    //域名
                    string url = webhost + GridView1.Rows[i].Cells[3].Text.Replace("&amp;","&"); // urlformat
                    string boardName = GridView1.Rows[i].Cells[2].Text;
                   
    // int Cateid = Convert.ToInt32(TextBox3.Text.Trim()); //对应的cateid
                    try
                    {
                        Convert.ToInt32(TextBox1.Text);
                        Convert.ToInt32(TextBox2.Text);
                    }
                    
    catch
                    {
                        Label1.Text = "页码要数字";
                    }
                    
    int Getcount = Convert.ToInt32(TextBox1.Text);   //提取页数
                    int miniStart = Convert.ToInt32(TextBox2.Text);
             
                    s += "更新:"+boardName+url+"===========================<br>";
                
                 
                    
    int flag = 0;
                    
    for (int j = Getcount; j >= miniStart;j-- )
                    {     
                        
    string url2 = url + j.ToString();
                        s += "" + j.ToString() + "页("+url2+")==============<br>";
                     
                        
    string content = "";
                        
    try
                        {   
                         
                            content = r.GetWebString(url2);
                            s += "获取" + url2 + "成功!!";
                        }
                        
    catch(Exception ex)
                        {
                            System.Threading.Thread.Sleep(10000);
                            s += "获取" + url2 + ex.Message; 
                            
    //后去出错重试一次
                            if(flag==0)   //是否已经重试
                            j++;
                            
                            flag=1;
                            r = new Rebot();//重置cookies
                            continue;
                        }
                        flag = 0;
                        List<post> p = new List<post>();
                        p = HtmlAnalysis.GetListFromHtml(content);
                        s += p.Count.ToString() + "条记录";
                        
    foreach (post p1 in p)
                        {
                            flag++;  
                            
    string turl = webhost + p1.ctarget;
                            
    int postId = Convert.ToInt32(GetpostId(turl));
                            
    bool ttemp = checkoldpostid(postId);
                            
    if (ttemp)
                            {
                                s += p1.ctarget + "==" + p1.tilte + "重复!!</br>";
                                
    continue;
                            }
                            
    try
                            {
                                
                                
    string tcontent = HtmlAnalysis.GetContentFromHtml(r.GetWebString(turl));
                                
    if (tcontent.Trim().Length < 10)
                                {
                                    s += p1.ctarget + "==" + p1.tilte + "no content!!</br>";
                                    
    continue;
                                }
                              
                                    insertdata(p1.tilte, tcontent, CateId, postId, DateTime.Now);
                                    s += p1.ctarget + "==" + p1.tilte + "sueccess!!</br>";
                              
                            }
                            
    catch(Exception ex)
                            {
                                s += p1.ctarget + "==" + p1.tilte + "error!!"+ex.Message+"</br>";
                            }
                        }
                    }
                }
            }
            Label1.Text = s;

        }
        
    /// <summary>
        
    /// 系统设置值host
        
    /// </summary>
        
    /// <returns></returns>
        private string Gethost()
        { 
            
    string s="";
          Ncuhome.Helper.AccessDbHelper a = new Ncuhome.Helper.AccessDbHelper();
                OleDbDataReader r = a.olExcuteReader("select top 1 * from  config ");
                
    while (r.Read())
                {
                    s = r.GetString(0);
                }
                
    return s;
        }
        
    private string GetpostId(string Url)
        {
            Url = Url.ToLower();
            
    int i = Url.IndexOf("?tid=");
            
    int j = Url.IndexOf("&");
            
    return Url.Substring(i + 5, j - i - 5);
        }
        
    public int insertdata(string Art_Title, string Art_Content, int Cate_Id, int Arti_oldId, DateTime time)
        {
            Ncuhome.Helper.AccessDbHelper a = new Ncuhome.Helper.AccessDbHelper();
            OleDbParameter[] param = new OleDbParameter[5];
            param[0= new OleDbParameter("@arti_title", Art_Title);
            param[1= new OleDbParameter("@arti_content", Art_Content);
            param[2= new OleDbParameter("@arti_cateid", Cate_Id);
            param[3= new OleDbParameter("@arti_createtime", time.ToString());
            param[4= new OleDbParameter("@Arti_oldId", Arti_oldId);
            
    return a.olExcuteNonequry("insert into article (arti_title,arti_content,arti_cateid,arti_createtime,Arti_oldId) values (@arti_title,@arti_content,@arti_cateid,@arti_createtime,@Arti_oldId)", param);

        }
        
    public bool checkoldpostid(int oldid)
        {
            Ncuhome.Helper.AccessDbHelper a = new Ncuhome.Helper.AccessDbHelper();
            OleDbDataReader r = a.olExcuteReader("select arti_title from article where Arti_oldId=" + oldid.ToString());
            
    bool re = r.Read();
            r.Close();
            
    return re;

        }

    } 

          这样虽然可以很好的做到信息采集,但是需要为每一个网站单独制作一套解析,当目的站改版,我们也需要即时的改版。这样很不灵活,而且这样相当的费精力。如果有可能的话可以写出一套智能的分析方法,因为大多说的文章系统,论坛系统的布置基本相同,以后有机会的话一定做一个:)。

  • 相关阅读:
    javascript异步编程系列【十】—Jscex+Easeljs制作坦克大战
    博客园分页JQuery打造的分页无刷新的Repeater
    参赛作品
    摄像机、投影、3D旋转、缩放
    javascript异步编程系列【八】Jscex版火拼俄罗斯
    javascript异步编程系列【七】扫盲,我们为什么要用Jscex
    javascript异步编程系列【五】Jscex制作愤怒的小鸟
    javascript异步编程系列【六】Jscex版愤怒的小鸟之冲锋陷阵鸟
    每周优秀代码赏析—Jscex内核【一】
    javascript异步编程系列【一】用Jscex画圆
  • 原文地址:https://www.cnblogs.com/lulu/p/1597971.html
Copyright © 2020-2023  润新知